智能时间轴
从1936年图灵之问，到2025年DeepSeek冲击算力叙事，七个阶段串起近九十年人工智能发展的起落脉络。点人物徽章可跳转到对应卡片。
壹 · "机器能思考吗？"——人工智能的诞生
这一阶段的核心不是某项具体技术突破，而是一个此前从未被认真对待的问题第一次被严肃地提出：机器能不能思考？图灵在1950年提出了一个绕开哲学争论的可操作测试，麦卡锡在1956年的达特茅斯会议上正式为这门新学科命名，纽厄尔与西蒙则用一个能自动证明数学定理的程序，证明了"符号操作"或许就是智能的本质。与此同时，科幻作家阿西莫夫早在1942年就已经在虚构世界里，先于真实的研究者们思考起了"机器应当遵守什么规则"这一此后延续至今的核心议题。
图灵之问与达特茅斯会议
图灵1950年发表论文提出"模仿游戏"（图灵测试），为"机器能否思考"这一模糊的哲学问题提供了可操作的替代方案。1956年，麦卡锡在达特茅斯学院主持召开了一场为期两个月的研讨会，正式提出"人工智能"这一术语，明斯基、香农、纽厄尔与西蒙均是这场此后被公认为学科诞生标志的会议参与者。
"机器学习"的命名与控制论的先声
塞缪尔1959年提出"机器学习"这一术语，其编写的西洋跳棋程序通过与自身反复对弈提升棋力，是这一理念最早的实践雏形；几乎同时，维纳的控制论已经系统阐述了"反馈"机制如何同时解释生物体与机器的自我调节行为，并率先警示了自动化可能带来的社会冲击。
科幻照进现实："机器人三定律"
阿西莫夫早在1942年的短篇小说中就提出了"机器人三定律"，这套本为文学创作设计的虚构伦理框架，此后持续启发着真实的人工智能安全与伦理研究者，去思考应当如何为智能系统设定行为约束这一至今仍未有定论的课题。
贰 · 感知机、寒冬与连接主义的复兴
罗森布拉特1958年提出的感知机，第一次让机器展现出从数据中自主学习的能力，媒体的过度乐观报道却为此后明斯基的数学批判埋下伏笔——《感知机》一书直接导致神经网络研究陷入长达十余年的"第一次人工智能寒冬"。这段低谷期里，反向传播算法被独立发现了不止一次，统计学习理论与贝叶斯网络则为"如何从数据中可靠地学习"这一问题提供了更严谨的数学基础，行为主义机器人学也在此时悄然兴起。
感知机的希望与幻灭
罗森布拉特1958年提出的感知机，是历史上第一个能自主学习分类规则的神经网络模型，媒体的过度乐观报道招致学界批评。1969年，明斯基与帕普特合著的《感知机》一书用数学证明指出单层感知机的结构性局限，这一结论此后被普遍认为直接导致了神经网络研究经费的大幅萎缩，史称第一次"人工智能寒冬"。
反向传播算法的重新发现
韦尔博斯1974年的博士论文已提出与反向传播原理高度相似的方法，但未获广泛关注；1986年，鲁梅尔哈特与辛顿、威廉姆斯合著论文系统展示了这套方法能让多层神经网络学到有用的内部表征，反向传播算法自此才真正获得学界的广泛应用，辛顿与谢诺夫斯基此前提出的玻尔兹曼机也为这一时期的连接主义研究提供了重要的理论基础。
统计学习理论与贝叶斯网络
瓦普尼克提出的统计学习理论与支持向量机，为机器学习的泛化能力提供了严谨的数学解释，在深度学习兴起之前的十余年间一直是分类任务的主流方法；珀尔提出的贝叶斯网络，则为人工智能系统在不确定性中进行推理提供了同样影响深远的图模型工具。
叁 · 人机对弈与机器学习的实用化
这一阶段，人工智能从相对小众的学术议题，逐渐走向公众视野与产业实践。1997年深蓝战胜国际象棋世界冠军卡斯帕罗夫，是人工智能发展史上第一个真正意义上的公众里程碑事件；与此同时，谷歌大脑与吴恩达等人推动的教育普及运动，让深度学习研究开始系统性地进入大型科技公司与全球学习者的视野；施米德胡伯提出的LSTM架构则为序列数据建模提供了长达二十余年的主流工具；戴密斯·哈萨比斯等人创立的DeepMind，也在这一时期悄然埋下了此后AlphaGo横空出世的种子。
深蓝战胜卡斯帕罗夫
1997年，IBM研发的国际象棋计算机"深蓝"与世界冠军卡斯帕罗夫进行六局对局，最终二胜一负三平不敌深蓝，这是历史上人类顶尖棋手首次在正式赛制对局中不敌计算机，此后被广泛视为人工智能发展史上第一个真正意义上的公众里程碑事件。
谷歌大脑的成立与教育普及运动
2011年，迪恩共同创立谷歌大脑研究团队，将深度学习研究系统性地引入这家全球最大的科技公司之一；几乎同一时期，吴恩达将自己在斯坦福大学的机器学习课程搬上网络，霍华德则创立fast.ai，两人共同开启了让深度学习走出精英实验室、进入全球学习者电脑屏幕的教育普及运动。
长短期记忆网络（LSTM）的提出
施米德胡伯与霍克赖特1997年提出的LSTM架构，通过引入门控机制解决了传统循环神经网络处理长序列数据时的梯度消失问题，此后二十余年间一直是语音识别、机器翻译等序列建模任务的主流工具，直到Transformer架构兴起后才逐渐让出主流地位。
肆 · 深度学习复兴与ImageNet的震撼
这是整个人工智能发展史上最关键的转折点之一。辛顿在神经网络研究被主流学界普遍看衰的数十年"寒冬"里始终坚持，2012年他指导的学生用AlexNet在李飞飞创建的ImageNet竞赛上证明了深度学习的压倒性优势，此后触发了整个领域向深度学习的集体转向。古德费洛提出的生成对抗网络，为生成式人工智能开辟了最早的技术路径；与此同时，中国的人工智能产业也在李彦宏、李开复等人的推动下悄然起步。
"神经网络寒冬"里的坚持与AlexNet的震撼
辛顿在人工智能学界普遍转向其他技术路线的数十年"寒冬"期里坚持深耕神经网络，2006年发表的深度信念网络研究被视为深度学习复兴的起点；2012年，他指导的两名研究生苏茨克维与克里泽夫斯基设计的AlexNet，在李飞飞创建的ImageNet竞赛上以远超对手的优势夺冠，这一压倒性胜利触发了整个人工智能领域向深度学习的集体转向，辛顿、乐昆、本吉奥三人此后共同获得2018年图灵奖。
GAN的深夜灵感
古德费洛在一次酒吧聚会后的深夜构思出让两个网络相互对抗博弈的"生成对抗网络"，让生成网络与判别网络在持续博弈中共同进步，最终能产出以假乱真的图像内容，这一构想此后被公认为生成式人工智能领域最早的核心突破之一。
伍 · AlphaGo、Transformer与规模化竞赛
这一阶段见证了两项此后深刻重塑人工智能产业格局的突破：DeepMind的AlphaGo攻克了围棋这一被视为人类直觉最后堡垒的领域，谷歌团队提出的Transformer架构则此后成为几乎所有大语言模型共同采用的底层地基。与此同时，OpenAI在这一时期成立又经历创始人反目，人工智能安全思潮开始进入公众视野，自动驾驶领域的技术路线之争也悄然打响。
AlphaGo战胜李世石
2016年，西尔弗主导设计的AlphaGo以四比一击败韩国顶尖棋手李世石，证明深度学习与强化学习的结合足以攻克围棋这一此前被视为人类直觉最后堡垒的领域；西尔弗的强化学习理论深受其博士导师萨顿影响，这场胜利也是萨顿本人多年理论研究的一次有力实证。
"Attention Is All You Need"与BERT、GPT的双线并进
2017年，谷歌大脑团队八位研究者发表《Attention Is All You Need》，提出完全基于自注意力机制的Transformer架构；此后德夫林在谷歌主导设计BERT模型证明了双向预训练的威力，拉德福德在OpenAI则沿着解码器路线设计出GPT系列模型的最初版本，两条技术路径此后共同塑造了大语言模型的发展格局。
OpenAI的创立与马斯克的退出
2015年，奥特曼与马斯克等人共同创立OpenAI，最初以非营利组织形式成立；2018年，马斯克因与管理层在发展路线与控制权问题上产生分歧而退出董事会，此后双方关系逐渐从合作转为公开的商业与理念纠纷，布罗克曼与舒尔曼则始终留在公司，持续推动GPT系列模型的工程化落地。
人工智能安全思潮的兴起
博斯特罗姆2014年出版的《超级智能》一书在科技行业高层中引发广泛讨论，罗素此后提出"人类兼容"理论框架，尤德科夫斯基创立的机器智能研究所与LessWrong社区，则从更早期开始持续研究和讨论超级人工智能可能带来的存在性风险，这些声音共同构成了此后人工智能安全议题进入主流视野的思想土壤。
陆 · 算法偏见与AI伦理的觉醒
随着人工智能系统被大规模部署进入现实世界，其可能带来的偏见与滥用风险也逐渐浮出水面。布沃拉姆维尼的"性别阴影"研究揭示了主流人脸识别系统在不同人群间的显著准确率差异，格布鲁与合著者提出的"随机鹦鹉"概念则警示了大语言模型可能放大训练数据中的社会偏见。与此同时，克里斯蒂亚诺提出的早期对齐研究方法与莱希创立的开源大模型社区，也开始面对"越来越强大的技术能力应当如何被负责任地对待"这一贯穿此后整个行业的核心张力。
"性别阴影"与"随机鹦鹉"
布沃拉姆维尼在麻省理工学院发起"性别阴影"研究项目，系统测试并揭示了主流商用人脸识别系统对深肤色女性的识别错误率显著偏高，促使多家科技公司改进相关产品；格布鲁与合著者2020年发表论文提出"随机鹦鹉"这一比喻，警示大语言模型可能放大训练数据中的社会偏见，这篇论文的发表流程也导致她本人离开谷歌，引发行业广泛讨论。
RLHF的早期研究
克里斯蒂亚诺2017年提出通过人类偏好排序训练模型的早期方法，这一研究此后被舒尔曼等人进一步发展为广泛应用于ChatGPT等产品的RLHF训练范式，成为大语言模型能够"听懂人话"背后的关键理论源头之一。
开源大模型社区的兴起与两难
莱希2020年共同创立EleutherAI，向公众开放此前仅被少数科技巨头掌握的大语言模型训练技术，但随着模型能力持续跃升，他本人此后逐渐转向倡导对前沿模型开发施加更严格的监管，这一立场转变也折射出开源理想与安全审慎之间贯穿此后整个行业的核心张力。
柒 · 生成式AI爆发与产业博弈
这是本书涵盖的历史里离今天最近、也仍在持续展开的一段：ChatGPT把大语言模型技术第一次以人人可用的产品形态推向大众市场，OpenAI随即经历一场震动全行业的董事会危机；阿莫代伊出走创立Anthropic，黄仁勋的十年GPU赌注终于兑现，梁文锋的DeepSeek又给这套算力叙事带来意外冲击；扎克伯格选择开源、莫斯塔克把顶尖图像模型直接公开，各大科技巨头则在这场竞速中相继完成内部整合。这段历史还没有写完，本站会随着它的展开持续更新。
ChatGPT两个月破亿用户，五天罢免又复职的CEO
奥特曼领导的OpenAI于2022年11月发布ChatGPT，两个月内用户破亿；2023年11月，苏茨克维等董事会成员一度突然解除奥特曼的CEO职务，穆拉蒂短暂出任过渡期CEO，布罗克曼随即辞职抗议，五天后在员工联署下奥特曼复职，这场治理危机是审视这轮人工智能产业内部路线分歧的经典案例。
Anthropic的分裂与"体质AI"
2021年，阿莫代伊与多名同样出身OpenAI的研究者共同创立Anthropic，主张应当以更审慎的态度对待大语言模型的安全性；2024年，莱克辞去OpenAI"超级对齐"团队领导职务后随即加入Anthropic，这场人才流动被广泛视为审视行业内部安全与商业化路线分歧的重要案例。
英伟达的十年赌注与DeepSeek的冲击
黄仁勋主导英伟达十年前押注的CUDA平台，终于在深度学习兴起后迎来爆发式回报，英伟达借此成为这轮AI浪潮背后最核心的算力基础设施供应商；2025年初，梁文锋创立的DeepSeek以远低于行业预期的训练成本发布高性能开源模型，一度引发市场对"是否必须依靠海量算力堆砌才能训练顶尖大模型"这一假设的重新审视。
开源大模型与生成式图像的狂飙
扎克伯格主导Meta将Llama系列大模型以相对开放的权重形式对外发布，与主要竞争对手的闭源商业化路线形成鲜明对比；莫斯塔克创立的Stability AI几乎同一时期将Stable Diffusion图像生成模型直接开源公开，两项决定共同大幅降低了全球开发者接触前沿生成式AI技术的门槛。
科技巨头的整合与竞速
皮查伊主导谷歌大脑与DeepMind正式合并为统一的"谷歌DeepMind"，纳德拉主导的微软对OpenAI的多轮战略投资深度重塑了公司产品线，苏莱曼在其Inflection AI核心团队被微软"另类收购"后转任微软AI首席执行官，霍夫曼则凭借长期活跃的风险投资网络持续推动着这一轮竞速中的资本布局。
批评的声音
马库斯长期公开质疑深度学习与大语言模型的能力边界被行业过度夸大，与乐昆等一线研究者展开持续多年的公开论战；弗里德曼主持的长篇访谈播客，则为公众提供了一个深入了解这场产业竞速背后各方观点的重要窗口。